利用局部神经变换检测时间序列中的异常
机器学习
2022-02-22 v2 人工智能
摘要
我们开发了一种检测时间序列中异常的新方法,这在从自动驾驶汽车、金融、营销到医学诊断与流行病学的许多应用领域都至关重要。该方法基于自监督深度学习,其在促进图像深度异常检测方面发挥了关键作用,因为存在强大的图像变换。然而,此类变换在时间序列中广泛不可用。为此,我们开发了局部神经变换(LNT),一种从数据学习时间序列局部变换的方法。该方法为每个时间步产生异常分数,因此可用于检测时间序列中的异常。我们在理论分析中证明,相较于以往的深度学习异常检测(AD)方法,我们新颖的训练目标更适用于变换学习。我们的实验表明,LNT 能在 LibriSpeech 数据集的语音段中发现异常,且比以往工作更好地检测信息物理系统的中断。对所学变换的可视化揭示了 LNT 所学习变换的类型。
引用
@article{arxiv.2202.03944,
title = {Detecting Anomalies within Time Series using Local Neural Transformations},
author = {Tim Schneider and Chen Qiu and Marius Kloft and Decky Aspandi Latif and Steffen Staab and Stephan Mandt and Maja Rudolph},
journal= {arXiv preprint arXiv:2202.03944},
year = {2022}
}